浅谈故障检测与分类

摘要

将故障检测与分类问题表述为基于神经网络的分类问题。然后，训练神经网络，进行故障检测，并考虑两个超参数（隐藏层层数和神经元数）的影响，研究了数据增强对神经网络性能的影响。利用神经网络进行数据扩充，解决了故障分类问题。

1.基于分类的人工神经网络

1.对于数据驱动的故障诊断方法来说，在将输入数据馈送到输入层之前需要对其进行归一化，一种可能的方法是特征缩放，以便所有值都在[0,1]范围内。
$x^{\prime }=\frac{x-min(x)}{max(x)-min(x)}$
2.在隐藏层中，输入数据中包含的信息通过非线性变换，依次转换为更高的表示形式。
$h_1=\sigma (W_{1}x+b_1)$
h l = σ ( W l h l − 1 + b l ) , l = { 2 , ⋯   , d } h_{l}=\sigma (W_{l}h_{l-1}+b_{l}),l=\left \{ 2,\cdots ,d \right\} hl​=σ(Wl​hl−1​+bl​),l={2,⋯,d}
其中，$x\in {\mathbb{R}}^{n_x}$是输入层向量，$h_l\in {\mathbb{R}}^{n_{h_l}}$是隐藏层向量，$W_1\in {\mathbb{R}}^{n_{h_l}\times n_{h_{l-1}}}$是权重矩阵，$b_l\in {\mathbb{R}}^{n_{h_l}}$是偏置向量。${\mathbb{R}}^{n_{h_l}}$和$d$分别是每个隐藏层的神经元个数和隐藏层层数。$\sigma$是非线性激活函数，例如ReLU函数$\sigma (x)=max(0,x)$
3.构建最后一层隐藏层的输出和softmax函数，然后选择输出最大的值，为对应输入数据提供一个预测标签。此为有监督学习。

2.作为分类问题的故障诊断

1.故障检测问题可以表示为一个二元分类问题，其中两个标签分别表示为正常和故障。在这种情况下，神经网络使用两个不同的数据集进行训练：一个是正常运行数据，另一个是带有特定类型故障的运行数据。
2.类似地，故障分类问题可以表述为多类分类问题。现在，我们可以使用多个数据集来训练神经网络，每个数据集都包含正常和各种故障数据。定义故障检测率（FDR）和故障虚警率（FAR）
FDR=带有故障标签的故障样品数/所有故障样品数
FAR=带有故障标签的正常样品数/所有正常样品数
显然，更高的FDR和更低的FAR表示模型更好。
3.在这种情况下，可以使用准确率和混淆矩阵来评估神经网络的性能。

3.案例

1.介绍

一个名为田纳西-伊斯曼（TE）过程，作为过程控制和监控技术的测试问题。它由反应器、冷凝器、压缩机、分离器和汽提塔五个主要工艺单元组成，如图

从A、C、D、E四种反应物中产生两种产物G和H，以及一种副产物F.。定义多种不同的故障类型

2.神经网络

1.最近在线发布的数据集用于神经网络的训练和测试。数据集提供了每种正常/故障状态下500次模拟运行的数据（总共10500次运行），每个数据集包含25小时模拟运行的结果，采样时间为3分钟，产生500个数据样本。对于每种状态，300次模拟运行用于训练，其余200次模拟运行用于测试。网络最初设计为有52个输入节点，以便每个数据样本直接用作网络的输入。
2.使用Xavier初始化神经网络，采用ADAM优化器进行训练。将训练数据集分成50个batch进行批量训练，训练了400个epoch。

3.训练结果

1.将隐藏层层数分别设置为0、1、2、3、4进行对比。
2.20种故障被分为三类。故障类型1：即使使用无隐藏层的网络，也能成功检测。所有步骤类型的故障都包含在该故障类型中；故障类型2：浅层网络（1个隐藏层）足以检测到这种故障类型。一些类型未知的故障被归类为该故障类型；故障类型3：至少需要2个隐藏层才能有效检测，该故障类型包含非阶跃类型的故障以及一些未知的故障。
3.通过结合几个连续的样本来增加输入数据，模拟动态主成分分析，结果整体精度得到了提高。
可以看出，数据增强是进一步提高故障检测精度的关键，也有利于故障分类。